AI 및 프론티어 기술 요약: GPT-6.2 Astra 유출, 로컬 추론 기록, 에이전트 마켓플레이스의 부상

이번 게시물 모음에서는 어떤 프론티어 연구소도 새로운 플래그십 모델을 공식 확인하지 않았습니다. 주요 흐름은 GPT-6.2 Astra와 Gemini 4 Krypton에 대한 검증되지 않은 유출 및 출시 주기 추측, 구체적인 로컬 및 엣지 추론 벤치마크의 집중적인 클러스터, 그리고 마켓플레이스, 에스크로, 신원, 자기 개선 하네스 등 빠르게 성숙해지는 에이전트 인프라 계층입니다. 또한 새로운 실제 로봇공학 평가 데이터와 한 건의 공급망 보안 사고도 포함됩니다.

프론티어 모델: 유출, 루머, 출시 주기

여기 있는 어떤 내용도 모델 공급업체가 공식적으로 확인한 것이 아닙니다. 가장 많이 논의된 항목은 유출, 리셀러 접근, 커뮤니티 회의론입니다.

  • Token Gremlin은 대규모 유출로 보이는 사건 이후 GPT-6.2 Astra가 이미 API 리셀러를 통해 판매되고 있을 수 있으며, 사용자들이 접근 권한을 얻어 공식 하네스에서 Codex에 연결하고 있다고 보도합니다. 게시물은 Azure 관련 공백으로 인해 출시일에 모델이 빠져나갔을 수 있다고 추측하며, 테스터들은 GPT-6 Astra보다 분명히 더 우수하고 효율적이며 출력물에서 고전적인 GPT 느낌이 난다고 설명한다고 말합니다. 저자는 여전히 공식 확인이 없으며, 사실이라면 OpenAI와 파트너들에게 잠재적인 대형 실패라고 말합니다 @TokenGremlin.
  • 같은 저자는 커뮤니티 반응이 비대칭적이라고 주장합니다. 10월 1일 익명 A/B 테스트에서 Fable 5.2는 널리 칭찬받은 반면, 11월 익명 A/B 테스트에서 GPT-6.2 Astra는 널리 가짜라고 불렸습니다 @TokenGremlin.
  • Token Gremlin은 또한 완전히 처음부터 생성된 이미지(스톡이나 참고 자료 없음)가 조기 접근 권한을 가진 GPT-6.2 Astra에서 나왔다고 주장하며, OpenAI가 Anthropic의 IPO를 흔들 수 있는 괴물을 출시할 준비를 하고 있다고 말합니다 @TokenGremlin@TokenGremlin.
  • 별도의 게시물에서 Token Gremlin은 OpenAI가 10조 개 이상의 파라미터 사전 학습 실행을 공개 제품으로 전환하는 데 어려움을 겪고 있으며, GPT-6.1, GPT-6.2, GPT-6.5가 안전 및 정렬 실패로 지연되었고, 이 분야에서 OpenAI가 Anthropic보다 몇 달 뒤처져 있다고 주장합니다. 이는 의견이자 검증되지 않은 루머이며 공급업체의 공식 입장이 아닙니다 @TokenGremlin.
  • 한 게시물은 OpenAI가 마지막으로 프론티어 모델을 출시한 이후 72일이 지났다고 계산하며, GPT-5와 5.1 사이의 대기 기간 이후 가장 긴 공백이라고 부르고, 추가 지연은 o3에서 GPT-5까지의 기간 이후 가장 긴 공백이 될 것이라고 언급합니다 @synthwavedd.
  • Gemini 4 Krypton 유출 게시물은 모델이 내부 테스트 중이며 첫 번째 체크포인트가 도착했고, 이미 강력한 3D 및 SVG 출력을 생성하고 있으며, 코드를 통한 오디오 생성에 가장 좋은 모델로 Fable과 Astra보다도 낫고, Carbon보다 거의 두 배 오래 걸리지만 어려운 작업을 수행한다고 주장합니다. 저자는 다음 달 출시를 기대합니다 @pankajkumar_dev.
  • 수수께끼의 Qoduck AI 모델은 Qwen4-Max-Preview로 밝혀졌으며, 현재 Alibaba의 AI 코딩 에이전트인 Qoder AI IDE에서 제한된 시간 동안 80% 할인으로 제공됩니다 @Div_pradeep.
  • Baidu의 ERNIE 5.5 Flash Preview는 OpenRouter에서 280B MoE, 14B 활성 파라미터, 1M 컨텍스트 및 도구 호출로 무료 제공됩니다. 이는 Thinking Machines Inkling 2 Small(17B 활성 / 594B MoE, 1M 컨텍스트, 텍스트 및 이미지), Duck.ai의 무료 채팅 티어, 월 1,000회 Tavily Search API 크레딧, 오픈소스 CapCut 대안 OpenCut, prompts.chat, AgentRing, $50 Runloop Pro 평가판 크레딧 및 Lovable 빌드 크레딧을 나열하는 무료 제공 요약에도 포함됩니다. 게시물은 OpenRouter :free 경로가 최소 10크레딧을 구매하지 않는 한 분당 20회, 하루 50회 요청으로 제한된다고 경고합니다 @calbuldelis69.
  • Jen Zhu는 DeepSeek가 전체 제품군에 대한 전체 앱과 API를 오픈소스화했다고 밝히며, 이를 가장 철저한 오픈소스 행보이자 중앙 집중식 폐쇄 AI에 대한 도전이라고 부릅니다 @jenzhuscott.

로컬 및 엣지 추론 이정표

이번 배치에서 가장 구체적인 클러스터입니다: 로컬에서 모델을 실행하기 위한 특정 처리량, 지연 시간 및 하드웨어 수치입니다.

  • Apple M5U Studio에서 tensorfold로 실행되는 GLM 5.3 Flash 4bit는 산문에서 2,100 tok/s 프리필 및 102.2 tok/s 디코드를 달성했습니다 @ashxhart.
  • 표준 GPU 주파수의 4x DGX Spark에서 vLLM으로 실행되는 deepseek-v4.1-flash 원본 가중치는 8k 컨텍스트에서 평균 82.2 tok/s 생성, 6,364 tok/s 프리필, 1.15초 첫 토큰 시간을 기록했으며, 배치 8에서 284 tok/s를 기록했습니다 @ivanfioravanti.
  • Niko Veit가 11월 15일에 출시한 Strata v0.2.14는 프롬프트 전문가 계산을 네이티브 GPU 커널로 이동하여 Windows 및 Linux의 NVIDIA 및 AMD GPU에서 이전 llama.cpp 경로를 대체했습니다. 보고된 벤치마크: RTX 5090 7,870 vs 6,851 tok/s(+14.9% 프롬프트 처리); RTX 4090 20K 토큰 프롬프트 5.65초 vs 6.11초(~7.5% 더 빠름); RTX 5070 Ti 1,408 vs 953 tok/s(+47.7%); 듀얼 RTX A6000 75.88 vs 64.16 tok/s(+18.3% 출력); Mac M5 Max IQ3_S로 94.7 vs 92.8 tok/s 출력. 새로운 설정이 필요하지 않았으며 기존 모델, 채팅 및 구성이 그대로 유지되었습니다 @uctive.
  • Apple Silicon M5 Max MacBook Pro에서 mlx-vlm으로 실행되는 Liquid AI의 d1-2B는 웹캠에서 제스처와 표정을 약 68ms에 읽어 초당 약 14개의 결정을 내리며, 0개의 토큰을 생성하고 100% 로컬에서 실행됩니다 @ivanfioravanti.
  • Seeed Studio는 DeepSeek-R1-Distill-Qwen-1.5B가 RKLLM 및 Docker를 통해 6 TOPS NPU를 갖춘 reComputer Industrial RK3588에서 완전히 온디바이스로 실행되는 것을 시연했습니다: 약 18.3 tokens/s 생성, 0.57초 첫 토큰 시간, 약 573개의 생성된 토큰 및 총 31.88초 응답 시간, 클라우드 API 없음 @seeedstudio.
  • 16GB GPU 또는 24GB Mac에서 Qwen 3.8 27B의 압축된 IQ3 파일은 약 12GB이며 20개 작업 테스트에서 ChatGPT와 동일한 점수를 받았다고 한 사용자가 말합니다 @trikcode.
  • Refuseless는 Abliterated DeepSeek V4.1의 캐시 요금을 $0.025에서 $0.019로 낮추고 이전 $0.025 캐시 요금에 더 빠른 속도를 제공하는 새로운 "Abliterated Fast" 티어를 도입했습니다 @refuselessai.
  • Numes는 하루에 368k 요청과 38B 토큰을 보고했으며, 이는 전날의 거의 두 배이고, 11일 동안 1.40M 요청과 157B 토큰을 기록했으며, 당시 Kimi K3.1 Pro, GLM 5.3 및 DeepSeek V4.1 Flash가 무료였습니다 @Schnitzel.
  • Acurast는 휴대폰에서 Qwen3.5 벤치마크를 발표했습니다: 16GB Android 휴대폰에서 9B 모델은 7K 토큰 프롬프트를 처리하는 데 3분 15초가 걸린 반면, 0.8B 모델은 단 15초가 필요했습니다. 저자는 실제 기회는 ChatGPT를 휴대폰으로 대체하는 것이 아니라 수천 대의 장치에서 더 작은 모델을 실행하여 백그라운드 작업, 사기 확인 및 자동화를 수행하는 것이라고 제안합니다 @tienho_nyx.
  • Acurast의 벤치마크 점수 가중치는 RAM 용량 46.15%, 단일 코어 CPU 23.07%, 멀티 코어 CPU 23.07%, 저장소 7.69%로 보고됩니다. 프로세서는 자격을 위해 주기적으로 하트비트를 보내며, 실제 배포가 할당된 장치는 해당 보상 기간 동안 벤치마크 지표에 추가 10% 가중치를 받습니다 — 점수 부스트이지 보장된 지불 증가는 아닙니다. 기본 벤치마크 보상에는 ACU 스테이킹이 필요하지 않습니다 @skysaksham.
  • Acurast는 휴대폰 프로세서를 peaqOS에 도입했으며, 첫 1,000개 이상이 활성화되고 $PEAQ를 본딩했습니다. 데모에서 Unitree G1 휴머노이드가 작업을 보내고 USDC로 지불하며, 세 대의 휴대폰이 원격 측정을 처리하고 결과를 반환하며, 로봇 신원과 휴대폰 증명이 있고 신뢰에 대한 중개 수수료가 없습니다. 저자는 1,000개의 프로세서는 파일럿이지 시장이 아니라고 언급합니다 @superpobe.
  • DeepSeek V4.1 Flash(Full quant)는 자동차 bin 파일을 역공학하여 점화 테이블 및 유사한 데이터를 찾는 데 90 tokens/s 디코드로 사용되었으며, 완전히 로컬에서 실행되었습니다 @ashxhart.

에이전트 인프라 및 에이전트 경제

반복되는 주제는 에이전트를 신원, 권한, 에스크로, 검증 및 지불 레일을 갖춘 경제 주체로 취급하는 인프라입니다.

  • FlashDrive(YC F26)는 에이전트를 위한 하나의 공유 클라우드 드라이브로 출시되었습니다: 로컬 디스크처럼 마운트되고, 모든 Mac과 샌드박스를 즉시 동기화하며, Claude, Codex, Cursor 및 MCP를 통한 모든 에이전트와 함께 작동하고, CSV 행을 포함한 편집이 병합되는 데이터베이스처럼 작동하며, 충돌을 처리하고, 에이전트가 삭제한 파일을 되감을 수 있습니다. 조기 액세스에는 제한된 시간 동안 무료 티어가 제공됩니다 @daleverett.
  • TermiX와 그 AACP 프레임워크는 에이전트 디렉토리보다는 서비스 시장으로 설명됩니다. 클라이언트가 작업을 정의하고, 공급자가 경쟁하며, 평가자가 제출된 작업을 확인하고, 중재자가 분쟁을 처리합니다. 클라이언트는 공급자가 입찰하기 전에 검증 기준을 정의할 수 있으므로 에이전트가 동의하는 내용을 이해합니다 @0xHecktor.
  • 같은 프레임워크는 상호운용성 답변으로 제시됩니다: 다른 스택에서 다른 팀이 구축한 에이전트는 기능을 발견하고, 작업을 이해하고, 인도물에 동의하고, 작업을 교환 및 검증하고, 거래를 해결하는 공유된 방법이 필요하며, 그렇지 않으면 모든 새로운 연결이 맞춤형 통합이 됩니다 @Yosefphr.
  • TermiX에서 사용자는 에이전트를 만들고, 서비스를 등록하고, Base에서 USDC로 지불받을 수 있으며, AACP가 에스크로, 지불 및 평판을 온체인에서 처리합니다. 저자는 주목해야 할 숫자는 보상이 사라진 후 두 번째 작업에 대해 지불하는 고객 수라고 말합니다 @sozdetrader.
  • TermiX Agent Skills를 통해 모든 AI 에이전트가 실제 작업과 바운티에 연결하고, 작업을 완료하고, 보상을 받을 수 있습니다 @svbrother211.
  • TermiX는 또한 Claude Fable 5.2로 구동되는 게임 제작 에이전트를 도입하여 설명된 게임 아이디어를 플레이 가능한 경험으로 전환합니다 @dezydank.
  • TermiX의 에이전트 발견은 코딩, 연구, 자동화, 보안, 데이터 분석 및 디자인을 포함한 서비스 카테고리로 구성되며, 목록에는 가격, 예상 배송 시간 및 에이전트 평판이 표시됩니다. 서비스를 찾을 수 없는 사용자는 공개 요청을 게시하고 에이전트가 견적을 제출하도록 할 수 있습니다 @haiderlevi.
  • Fensory는 프롬프트가 아닌 계정에 거래 한도를 설정합니다. 사용자는 Claude, ChatGPT, Cursor 또는 다른 MCP 클라이언트를 연결하고, 주문당 상한과 시장 허용 목록을 설정하며, 모든 주문이 먼저 Fensory 백엔드를 통과하므로 $100 상한은 어떤 주문도 $101이 될 수 없고 에이전트가 절대 출금할 수 없습니다. 또한 킬 스위치, 허용 목록 외부의 도달 불가능한 시장 및 원클릭 액세스 취소를 제공합니다 @remonnyy.
  • 별도의 게시물은 같은 제품을 코딩 없이 AI 에이전트로 거래 전략을 만들고, 백테스트하고, 실행하는 방법으로 설명합니다 @cypherweb31.
  • Motes는 세 가지 계층을 분리합니다: NFT는 고유한 에이전트 신원을 설정하고, 전용 스마트 계정은 USDC와 같은 자산을 보유하며, 소유자 서명 권한 정책은 에이전트가 할 수 있는 작업을 정의합니다. 구조는 1 NFT = 1 에이전트 신원 = 1 스마트 계정으로 요약됩니다 @JohnsonBam85400.
  • 같은 아키텍처는 책임 인프라로 제시됩니다: 거래 내역, 실행 기록, 수수료 및 실제 성과는 설명이 아닌 검증 가능한 영수증을 제공해야 합니다 @Juior2012.
  • Motes에 대해 제기된 공개 질문은 Genesis NFT가 판매될 때 에이전트의 기존 전략, 활동 기록 및 선호도에 어떤 일이 발생하는지 — 모든 것이 새 소유자에게 이전되는지 아니면 에이전트가 새로 시작하는지, 그리고 개인 데이터와 에이전트 연속성에 대한 경계가 어떻게 처리되는지입니다 @DebshSukil.
  • Motes 에이전트는 또한 소유자 설정 권한 내에서 Polymarket과 같은 예측 시장과 상호 작용할 수 있어, 사용자가 모든 시장을 수동으로 추적하는 대신 에이전트가 기회를 분석하고 승인된 전략을 실행하도록 전환할 수 있다고 설명됩니다 @LaxmiWeb3.
  • NEAR의 bonuz ID를 사용하면 사용자는 서명된 메시지 하나로 검증된 NEAR 계정을 자신의 신원에 연결할 수 있으며, 가스가 없고 NEAR가 필요하지 않으며, NEAR 메인넷의 레지스트리가 서명 자체를 확인하므로 키 없이는 누구도 계정을 연결할 수 없습니다. 그런 다음 모든 앱이나 에이전트는 NEAR에 계정이 누구인지 물을 수 있습니다 @BonuzMarket.
  • Primus Labs는 검증 가능한 프라이버시를 중심으로 구성됩니다: 재정 요구 사항을 확인하는 AI 에이전트는 전체 은행 기록이 아닌 한 가지 사실의 증명이 필요하므로, 미래는 더 적게 알면서 더 많은 일을 할 수 있는 AI가 될 수 있습니다 @bitnexst.
  • Primus는 또한 Agentic Ara 아래 Primus Points(AlphaNet)에 Proof of Creation이라는 새로운 검증 작업을 도입하여 사용자가 Hailuo, CapCut 및 Dreamina에서 비디오 생성 활동을 검증할 수 있게 했습니다. Primus Extension은 v0.4.15 이상으로 업데이트해야 합니다 @NickRotenberg.
  • Actum은 에이전트 경제가 기업이 자신의 AI 에이전트가 한 일을 증명할 수 있는지 여부에 의해 결정될 것이라고 주장합니다 — 신뢰 점수나 데모가 아닌, 끝에 책임 있는 인간이 있는 실제적이고 귀속 가능한 실행 @Actum_system.

에이전트 엔지니어링 실무

이번 배치의 실무자들은 프롬프트와 규칙 작성에서 테스트, 하네스 및 모델 라우팅 설계로 전환하고 있습니다.

  • Grok Bot의 엔지니어인 Lauren Tan은 한 달에 3,000개 이상의 풀 리퀘스트를 출시합니다. 에이전트 실수에 대한 그녀의 접근 방식은 네 가지 질문입니다: 실수가 불가능하도록 코드를 재설계할 수 있는가, 린트 규칙이나 타입이 자동으로 잡을 수 있는가, 에이전트가 자신의 작업을 실행하고 확인하여 잡을 수 있는가, 정말로 작성된 규칙이 필요한가. 각 실수는 다섯 가지 수정 중 하나를 받습니다 — 재설계, 린트, 검증, 규칙 작성 또는 인간 검토 — 그리고 대부분의 수정은 AGENTS.md를 건드리지 않습니다. 그녀의 팀은 4개월 만에 7개에서 167개의 린트 규칙으로 늘었습니다 @0x_kaize.
  • 관련 게시물은 그녀가 AI가 깨뜨릴 수 없는 규칙을 설정하는 데 6개월을 보냈고, AI가 변명하는 데 사용했기 때문에 거의 모든 코드 주석을 금지했으며, 2024년에 3개의 코드를 확인하던 것에서 2026년에 약 300개로 늘었고, 그녀의 팀이 거의 깨지지 않는 11,000개의 업데이트를 출시하며 AI가 자신의 버그를 수정하고 수정 사항을 직접 출시한다고 덧붙입니다 @kirillk_web3.
  • Anthropic은 메인 세션으로 Sonnet 5.5를 실행하여 코드를 작성하고, Haiku 5.5 서브에이전트가 파일을 탐색하고, 저장소를 매핑하고, 호출 사이트를 찾고, API 문서를 병렬로 가져오며, Opus 5.5를 어드바이저로 대기시키는 Claude Code 설정을 공유했습니다. Opus는 계획이 확정되기 전, 같은 오류가 두 번 나타날 때, 그리고 완료로 간주하기 전에만 개입하므로 모든 일상적인 턴에 Opus 요금을 지불하지 않고도 Opus 수준의 판단을 사용할 수 있습니다 @xsmryze.
  • 한 사용자는 Claude Code에서 Claude Fable 5.2를 비디오 편집에 사용하는 방법을 설명합니다: 원본 클립을 한 폴더에 넣고, 단일 메시지로 분위기와 길이를 설명하면, 모델이 최상의 테이크를 선택하고 사용자가 다른 일을 하는 동안 일시 중지를 잘라냅니다 @adamgrag.
  • Self-Harness 논문은 에이전트가 자신의 하네스를 개선하도록 허용하는 것을 제안합니다. 에이전트는 실제 작업을 실행하고, 실패는 원인별로 그룹화되며, 같은 모델이 하네스에 대한 여러 편집을 제안하고, 각 편집은 두 개의 별도 작업 세트에서 테스트되며, 편집은 아무것도 악화되지 않고 적어도 한 가지가 개선된 경우에만 유지됩니다. 모델 가중치는 절대 변경되지 않습니다. 보고된 결과에는 Qwen3.5가 Terminal-Bench 2.0에서 18%에서 36.7%로, GLM-5가 AppWorld에서 44.4%에서 85%로 같은 가중치로 향상된 것이 포함됩니다 @HoodieFade_.
  • "하네스 엔지니어링의 종말"로 설명된 관련 논문은 손으로 작성된 하네스는 어느 오후에 한 인간의 추측이 프로덕션에 출시되고 몇 달 동안 읽히지 않은 채 방치되는 것이라고 주장합니다. 이 논문은 큰 모델을 100% 동결하면서 하네스가 4단계 루프에서 자율적으로 진화하도록 제안합니다: 런타임 실패가 구조화된 추적으로 캡처되고, 경량 4B 편집기가 8개의 후보 하네스 diff를 생성하며, 8개 모두 보류된 평가 스위트에 대해 실행되고, 가장 높은 점수를 받은 단일 편집이 다음 버전으로 생존합니다. 인간의 작업은 점수 세트를 설계하는 것으로 축소됩니다 @damkina7.
  • microVLA 개발에 관한 블로그 게시물은 구축하면서 배운 훈련 및 추론 최적화에 대한 직관을 다룹니다 @starlitmatcha.
  • 프론티어 로컬 코딩 LLM 훈련에 대한 강연은 평가, 아키텍처 선택, 밀집 대 MoE, 확장 실험을 다룹니다 @zainhas.
  • Epic Games MegaJam에서 2,500명 이상의 빌더가 Grok, Cursor 및 Unreal Engine으로 창작했습니다. 한 일화는 강력한 개발 머신에서 Cursor 프로젝트와 자체 호스팅 러너를 사용하여 클라우드 오케스트레이션 AI 워크플로우를 수행하고 Grok Bot을 경량 오케스트레이터로 사용하는 것을 강조했습니다 @mattyp.

연구: 추론, 에너지 기반 모델, 해석 가능성

  • Li와 Webb의 논문은 통제된 추상 시퀀스 및 엔터티-속성 바인딩 작업에서 네트워크를 처음부터 훈련시키고, 아키텍처와 훈련 데이터를 조정하고, 인과 중재 및 표현 분석을 사용하여 상징적 시그니처가 나타나는 시점을 추적했습니다. 보고된 핵심은 아키텍처가 아니라 데이터 다양성이 거의 모든 무거운 작업을 수행한다는 것입니다: 더 다양한 훈련 분포는 훨씬 더 강력한 상징적 메커니즘을 생성했으며, 수정된 Transformer와 심지어 일반 MLP에서도 같은 시그니처가 나타났습니다 @gurtej__gill_.
  • CRAM(Compact Reasoning Associative Memory)은 Hopfield 네트워크에서 영감을 받은 에너지 기반 모델로, 루프에서 다음 단계를 예측하는 대신 에너지 경관을 학습하고 가장 낮은 에너지 상태로 하강합니다. 보고된 결과에는 루프 모델보다 최소 1,000배 빠른 훈련, 동일한 정확도에서 282배 적은 추론 FLOPs, 극단적인 스도쿠 논리 퍼즐에서 99.996% 정확도, 단 30개의 훈련 퍼즐로 거의 100% 스도쿠 정확도, 시간 역전파 없음, 그리고 난이도에 따라 계산이 확장되는 적응형 추론이 포함됩니다. 명시적 에너지 상태를 통해 학습하기 때문에 학습된 가중치는 검사 가능한 것으로 설명됩니다 @HowToPrompt__@crazyMLguy.
  • 한 에이전트가 Qwen3-TTS의 가끔 호흡과 웃음 뒤에 있는 417개의 뉴런(토커의 MLP 뉴런의 약 0.48%)을 발견했으며, 그중 61개는 휴면 상태입니다. 이들을 함께 증폭하면 단어가 말해질 때 호흡, 속삭이는 ASMR, 말 중 자연스러운 웃음, 강화된 속삭임 및 두 번째 화자가 나타납니다. 이 작업은 휴면 뉴런 재프로그래밍에 대한 최근 Lazarus 연구에서 영감을 받았습니다 @TensorSlay.
  • LLM인 Inkling 2 Small은 이미지 모델인 Qwen-Image와 같은 프롬프트 및 한 번의 편집에서 비교되었습니다. Inkling은 이미지로 렌더링되는 코드를 작성하는 반면, Qwen은 픽셀을 생성합니다 @kickingkeys.
  • 매우 실험적인 MiniMax H3 LoRA는 한 번에 최대 세 명의 캐릭터를 교체하며, 교체되는 사람을 컬러 노멀 맵 또는 DWPose 스켈레톤으로 표시합니다. 워크플로우는 BFS Video Segment Picker 노드(ComfyUI-BFSNodes)를 사용하여 SAM 3.1로 캐릭터를 선택하고, Molmo2는 카메라 컷 전반에 걸쳐 선택을 일관되게 유지하기 위해 선택 사항입니다. 저자는 실험적이며 저해상도로 렌더링되었고, 정지 이미지용 H3 Image LoRA가 계획되어 있다고 언급합니다 @Alissonerdx.

AI가 돈과 일을 만나는 곳

  • 새로운 NEJM AI 논문에 따르면 Medicare 의사 지불의 약 5분의 1이 AI가 대체할 수 있는 작업에 사용되며, 피부과와 정형외과는 보호되고 일차 진료는 노출됩니다. 논평하는 의사는 논문에서 "AI가 대체할 수 있다"는 것은 청구 코드가 의사가 환자를 만지는 것을 포함하지 않는다는 것을 의미하며, AI가 작업을 수행할 수 있는 능력은 측정된 적이 없다고 주장합니다 @HemeOncBuddy.
  • Niels Rogge는 "초지능"이 VC에서 더 많은 돈을 모으기 위한 AI의 리브랜딩이며, 재귀적 자기 개선이 시작되지 않았고, 재귀적 SI로 설명되는 것은 인간이 운영하는 NanoGPT 스피드런 기록과 유사한 하이퍼파라미터 스윕 및 커널 최적화에 더 가깝다고 주장합니다. 그는 Recursive SI의 Flint 모델을 인용하며, "재귀적 SI"가 총 및 활성 파라미터 수를 결정하는 것 — 구성 변경 — 에 불과했다고 말합니다. 그는 인상적인 벤치마크 수치와 부족한 경제적 영향 사이의 격차를 지적하며, LLM이 아직 인간처럼 연구하고, 실험을 실행하고, 새로운 것을 발명하거나, 훈련 데이터를 넘어 일반화할 수 없다고 말합니다 @NielsRogge.

로봇공학 및 물리적 AI

  • Boston Dynamics는 강화 학습, 실제 액추에이터 및 고급 전신 제어로 Atlas를 추진하고 있으며, 신뢰할 수 있고 적응 가능하며 실제 세계에 대비한 휴머노이드 로봇을 목표로 합니다 @LeonwithAi.
  • NVIDIA GR00T 2는 인간 데모로 훈련된 로봇공학 모델로, 다양한 로봇 본체에 걸쳐 기술을 전달합니다 — 한 로봇에 기술을 가르치면 전이되는 것을 지켜보세요 @Inomsxbt@CoderJunkie.
  • 한 연구원은 짧은 행동 및 관찰 기록에서 관절이 움직임에 어떻게 영향을 미치는지 추론하여 이전에 본 적 없는 로봇 구현에 적응하는 기록 조건 정책을 실험하고 있습니다 @ryanrahman360.
  • BitRobotNetwork가 Hugging Face, NUS MAGIC Lab 및 Singapore Embodied AI Centre와 공동 창립한 실제 평가 네트워크인 RoboColosseum은 출시일 결과를 발표했습니다: 4가지 구현에서 15,000건의 시험, 오픈 트랙만 41일, 11,398건의 평가 및 124개 사이트를 실행했습니다. 평가된 어떤 정책도 Unitree G1에서 다섯 가지 작업 중 어느 것도 완료하지 못했으며, 평균 진행 점수는 13.3%에서 23.2% 사이였습니다. 901개의 일치 비교에서 xAI, Anthropic 및 OpenAI의 프론티어 모델은 394건에서 전문 로봇 정책보다 더 많은 작업 진행을 보였고, 265건은 그 반대였습니다. 모든 롤아웃은 실패를 포함하여 LeRobot 형식으로 Hugging Face에 게시되며, 작업 난이도는 여전히 1에서 10까지 점수가 매겨진 인간 평가에 부분적으로 의존합니다 @ekinoks_26.
  • Vangrid는 사람들이 스마트폰으로 실제 환경을 3D로 캡처하고, 이러한 캡처를 로봇공학, 자율 시스템 및 물리적 AI를 위한 실측 데이터로 전환하며, 제출물이 품질 요구 사항을 충족할 때 보상을 제공하는 분산형 물리적 세계 데이터 네트워크를 구축하고 있습니다 @DaSpielberg.
  • 같은 네트워크는 일상적인 스마트폰을 공간 데이터를 캡처하고 USDC를 벌어들이는 엣지 노드로 전환하며, 대규모 데이터 센터나 전용 하드웨어 없이 작동한다고 설명됩니다 @AAJoy09.
  • Vangrid의 접근 방식은 또한 물리적 AI의 제약으로 실제 데이터를 강조한 NVIDIA GTC 2026 Physical AI Data Factory Blueprint와 대조됩니다. 얼굴과 번호판은 인코딩 전에 기기에서 직접 흐리게 처리되어 식별 가능한 영상이 업로드 파이프라인에 들어가지 않도록 합니다 @Maviskrypt.
  • 보고된 Vangrid 수치에는 10월에 125만 개 이상의 캡처, 45만 명 이상의 사용자 및 60만 달러 이상의 USDC 결제, 그리고 900만 달러의 시드 펀딩이 포함됩니다. 조직은 특정 위치에 대한 바운티를 게시할 수 있고, 기여자가 캡처하며, 영상은 온체인 캡처 증명과 함께 3D 모델로 재구성되고, AI 에이전트는 캡처를 의뢰하고 Base 또는 Arc를 통해 USDC로 기여자에게 지불할 수 있습니다 @0xPritom.
  • Noah Shachtman이 요약한 CNBC 보도에 따르면 Eric Trump가 지원하는 휴머노이드 로봇 스타트업이 2,400만 달러 규모의 국방부 계약을 보유하고 있다고 주장하지만 급여를 지불할 수 없습니다 @NoahShachtman.

보안: 도난당한 키와 트로이 목마화된 확장 프로그램

도난당한 Fireworks AI 키가 Cursor의 침해와 트로이 목마화된 Claude Code 확장 프로그램을 촉발했습니다. 공격자는 SSH 백도어를 설치하도록 설계된 악성 업데이트를 푸시했으며, 최대 5,000명의 사용자가 이를 받았을 수 있습니다 @TheHackersNews.

학습 리소스

  • 12주 빌드 계획은 Python 기초, 실용 딥러닝, 처음부터 신경망, PyTorch 기초, LLM 및 파인튜닝, LLM 애플리케이션 구축, RAG, AI 에이전트, 에이전트 아키텍처, MCP, 프로덕션 엔지니어링 및 MLOps를 다루는 12개의 무료 리소스를 수집합니다. 제안된 목표 포트폴리오는 모델 훈련 프로젝트, 인용이 포함된 RAG 어시스턴트, 평가 및 배포 워크플로우가 있는 도구 사용 에이전트이며, 주당 10-15시간입니다 @mentalium_.
  • 별도의 로드맵은 프로그래밍 기초와 수학부터 딥러닝, LLM API, 프롬프트 및 컨텍스트 엔지니어링, 벡터 데이터베이스, RAG, 에이전트 및 하네스 엔지니어링, 오케스트레이션, 파인튜닝, 멀티모달 AI, 평가, 추론, AI 백엔드, MLOps, 클라우드, AI 보안, 시스템 설계, 실제 프로젝트 및 경력 준비에 이르는 23단계의 Anthropic 엔지니어 경로를 설명합니다 @Mr_Buzzoni.
  • 무료 강좌 목록에는 Google Prompting Essentials, Generative AI: Prompt Engineering Basics, Deep Learning Specialisation, GPT Vision, AI Agent Developer Specialisation 및 Agentic AI and AI Agents for Leaders가 포함됩니다 @Mohiniuni.
  • 50개 저장소 GitHub 목록에는 ollama, langchain, n8n, dify, langflow, mem0, browser-use, crewAI, MetaGPT, AutoGen, aider, markitdown, open-webui, TradingAgents, firecrawl, transformers, vLLM, llama.cpp, llama_index, nanoGPT, RAGFlow, ComfyUI 및 freeCodeCamp가 포함됩니다 @IsabellaA60913.